向量检索
向量检索是一种将数据（文本、图像、音频等）转化为高维数值向量，并通过计算向量间相似度（如余弦相似度、欧氏距离）来检索语义相关内容的技术。与传统关键词匹配不同，向量检索能够捕捉语义层面的相关性，支持模糊查询和跨模态检索，广泛应用于信息检索、推荐系统、问答系统及大规模语义搜索等领域。
核心事实
时间轴 (近 90 天)
与向量检索相比，标签检索在计算成本上更低
向量检索依据内容的语义相似度，内容越相近的文件向量在数学空间中的距离越近，而非依赖关键词或文件名匹配
向量检索天然无法编码时序和因果结构化信息，导致检索结果在时序敏感的推理场景中频繁出错
在技术文档核验场景中，混合检索（BM25 + embeddings）几乎是必选项——用BM25保证精确标识符召回，用向量检索补充语义相关上下文
对于海量短文本、FAQ 这类碎片化、无明显结构的语料，传统向量检索比 PageIndex 更经济高效
向量检索的相似度不等于相关性，召回的是看起来像的内容而非真正需要的内容，在跨章节推理问题上表现乏力
在 RAG 场景下，如果索引中存在相互矛盾的信息，向量检索无法自动判断哪段内容更可信，会将两者都纳入生成上下文导致回答混乱
向量检索理解的是语义相似性，而非字面重合，与传统关键词匹配有本质区别
嵌入模型的选择、分块策略（chunk size）以及检索时的Top-K参数调优都会直接影响知识库的回答质量
向量检索能力正从独立组件逐步下沉进主流数据库
还有 28 条时间轴事件
全部知识事实 (20)
语义搜索将文本转换为高维向量，通过计算余弦相似度找出最相关的结论，使得不同表述方式的查询也能命中语义相符的结果
80%已验证向量数据库将文本内容通过嵌入模型（Embedding Model）转化为高维数值向量，检索时通过余弦相似度等算法找出语义最接近的内容
80%已验证向量检索捕捉的是语义相关性而非字面匹配，这是它与关键词搜索的本质区别
75%已验证分块过大会导致检索文本包含过多无关信息稀释上下文焦点，分块过小则可能截断完整语义单元丢失关键上下文
70%已验证Cursor使用嵌入模型将整个代码库转化为可搜索的向量空间来实现语义搜索
70%已验证基于语义相似度的向量检索擅长找到'说的像'的内容，却难以捕捉信息之间的因果链、时序依赖和层级结构
65%已验证提高 Skill 描述的区分度可提升命中率，写法应从'这个Skill是什么'转变为'什么时候用它'
65%已验证关键词搜索基于精确字符匹配无法理解同义词，语义搜索依赖向量嵌入可捕捉语义关联，两者结合的混合检索效果优于单一方法
65%已验证语义相近的文本在向量空间中距离也相近，这是向量检索的数学基础
65%待验证Agent框架通过工具调用、检索增强生成（RAG）、记忆管理系统、规划与反思机制来弥补大语言模型的固有限制
90%待验证向量检索无法精准匹配无语义的业务编号和专业术语，这是技术本身的能力边界而非实现缺陷
85%待验证语义搜索即使查询词与文件内词汇不同，只要意思相近也能匹配，与关键词全文检索有本质区别
60%待验证当记忆规模膨胀到数百MB甚至GB级别时，纯文件方案可能仍需与索引机制、向量检索等技术结合才能兼顾简洁性与性能
60%待验证现代RAG系统广泛采用向量检索技术，通过嵌入模型将文本转为高维向量并计算余弦相似度找到相关文档
60%待验证与向量检索相比，标签检索在计算成本上更低
50%待验证向量检索依据内容的语义相似度，内容越相近的文件向量在数学空间中的距离越近，而非依赖关键词或文件名匹配
50%待验证向量检索天然无法编码时序和因果结构化信息，导致检索结果在时序敏感的推理场景中频繁出错
50%待验证在技术文档核验场景中，混合检索（BM25 + embeddings）几乎是必选项——用BM25保证精确标识符召回，用向量检索补充语义相关上下文
50%待验证向量检索的相似度不等于相关性，召回的是看起来像的内容而非真正需要的内容，在跨章节推理问题上表现乏力
50%待验证对于海量短文本、FAQ 这类碎片化、无明显结构的语料，传统向量检索比 PageIndex 更经济高效
50%